本程序有八大计算功能。分别是（1）水平角计算（2）竖直角计算（3）三角高程计算（4）均值和方差计算（5）线性方程组计算（6）坐标正反算（7）平差计算（8）坐标计算。

13.1 极大似然估计的原理 极大似然的估计原理可以由下面的程序得到说明。我们首先生成 10 个服从 正态分布的总体，每个总体的均值都不同，依次为 0，1，2，3，4，5，6，7，8， 9。方差相同，均为 1。然后我们随机地取出一个总体，从中抽出 10 个样本，因 为事先不知道是从哪一个总体中抽出来的，所以我们分别用已知的 10 个总体参 数值代入似然函数，计算出 10 个似然函数值，取其中 大的似然值，认为该样 本是从相应的总体中取出的（从而联合概率密度也 大化）。然后我们让计算机 告诉我们它是从第几个总体中取样的，并与我们的判断进行对比。 *===========================begin================================== capt prog drop mle prog mle /*生成10个均值不同、方差均为1的正态总体，每个总体取８个样本*/ drawnorm double x0-x9,n(8) m(0,1,2,3,4,5,6,7,8,9) clear global i=int(10*uniform()) //设定一个随机数，用于随机取出一个总体 forv j=0/9 { gen lnf`j' =-0.5*ln(2*_pi)*8-sum(0.5*(x$i-`j')^2) //对取出的总体计算似然值 scalar lnf`j'=lnf`j'[_N] //最终的似然值 } scalar list // 比较10个似然值哪个最大，猜想是从第几个总体取出来的？ end mle *根据10个似然值，猜想是从第几个总体取出来的？ di "所抽中的样本为" as error "X"$i //显示真正的取样总体是什么 *===========================end==================================== 在现实中，我们并不知道任何一个真正的总体参数，因此，只能借助于找到 样本似然值（实际上是联合概率密度的对数值） 大的总体参数，即认为其是总 体参数。在 STATA 中实现 大似然法的估计必须自己编写程序。下面的例子说 明了如何利用 stata 编写程序来实现对模型的极大似然估计。 13.2 正态总体均值和方差的极大似然估计 *===========================begin================================== capt prog drop bb prog bb //定义程序的名称 args lnf u v //声明参数,u 为均值，v为方差 quietly replace `lnf' = -0.5*ln(2*_pi) - ln(`v') -0.5*($ML_y1-`u')^2/(`v')^2 end drawnorm x,n(100) m(10) sd(3) clear//模拟均值为10，方差为3的100个正态样本 ml model lf bb (x=) (variance:) //利用迭代法则进行极大似然估计

该函数计算一维或二维数据帧序列（例如图像序列）的移动窗口均值（也称为移动平均值）和移动窗口方差。 对于二维数据，移动窗口的均值和方差是按单个条目（例如每个像素）计算的。 这些表达式是使用 [Welford, 1962] 的方法推导出来的，他提供了运行均值和运行方差的表达式。 运行平均值和方差是在启动期间（即窗口尚未满时）计算的。 参考： Welford, BP，“关于计算校正平方和和乘积的方法的说明。” 技术计量学，4(3)，第 419-420 页，1962 年。 注意：在当前实现中，移动历史被保持（类似于移位寄存器）。 这可能仍然代表相当大的计算负担。 如果内存大小允许，可以保持更长的历史记录，只有在满时才会移动。 这将在未来的版本中实现。

今天小编就为大家分享一篇计算pytorch标准化(Normalize)所需要数据集的均值和方差实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

计算一幅图像的均值和方差，基于openCV实现，适用于图像融合、分割和识别等机器视觉领域。

在利用深度学习开源代码测试自己数据时，会遇到对自己构建数据集进行均值和方差计算的问题。本资源有两个python脚本，在python3下编写，一个是直接求取原始数据集均值，一个是对拉成张量后的数据集进行均值和方差求取处理，用于transforms.Normalize()函数设置。

根据均值和方差生成高斯噪声，给图像叠加高斯噪声，C++